氣孔密度和大小是反映植物對(duì)環(huán)境中非生物脅迫的響應(yīng)的良好指標(biāo)。那么葉片氣孔一般如何測(cè)量呢？在傳統(tǒng)的測(cè)量方法中，通過(guò)采用顯微照片中手工計(jì)數(shù)氣孔和表皮細(xì)胞的數(shù)量來(lái)測(cè)算，隨著科技發(fā)展提出了幾種氣孔密度的自動(dòng)測(cè)量算法，但目前還沒(méi)有氣孔指數(shù)的自動(dòng)測(cè)量算法。

2021年9月3日，生物領(lǐng)域權(quán)威期刊Frontiers in Plant Science在線發(fā)表了武漢理工大學(xué)計(jì)算機(jī)與人工智能學(xué)院生物信息實(shí)驗(yàn)室的研究論文——“A Deep Learning-Based Method for Automatic Assessment of Stomatal Index in Wheat Microscopic Images of Leaf Epidermis”。該研究開(kāi)發(fā)了一種對(duì)于氣孔指數(shù)的自動(dòng)測(cè)量方法。該方法采用Faster-RCNN、U-Net和圖像處理技術(shù)對(duì)氣孔和表皮細(xì)胞進(jìn)行計(jì)數(shù)，然后計(jì)算氣孔指數(shù)。并且使用了一種半自動(dòng)標(biāo)注策略來(lái)提高語(yǔ)義分割數(shù)據(jù)的標(biāo)注效率。

該研究中氣孔指數(shù)的自動(dòng)測(cè)量方法主要由氣孔和表皮細(xì)胞計(jì)數(shù)兩部分組成（圖1）。具體如下：首先，對(duì)植物葉片的顯微圖像進(jìn)行注釋和擴(kuò)充，以構(gòu)建數(shù)據(jù)集。然后，F(xiàn)aster-RCNN被用于識(shí)別給定的顯微鏡圖像中的氣孔并進(jìn)行計(jì)數(shù)，U-Net將表皮細(xì)胞分割為連接域。并且基于表皮細(xì)胞形態(tài)特征，采用幾種圖像處理技術(shù)對(duì)U-Net分割結(jié)果進(jìn)行細(xì)化，通過(guò)計(jì)數(shù)高質(zhì)量連接域的數(shù)量來(lái)測(cè)量給定顯微圖像中表皮細(xì)胞的數(shù)量。最后進(jìn)行氣孔指數(shù)的測(cè)量。

圖1 氣孔指數(shù)測(cè)量流程圖

通常，在語(yǔ)義分割任務(wù)中進(jìn)行數(shù)據(jù)標(biāo)注是非常費(fèi)時(shí)費(fèi)力的。而采用半自動(dòng)標(biāo)注的方法能提高了細(xì)胞標(biāo)注的效率。整個(gè)標(biāo)注過(guò)程如圖2所示。簡(jiǎn)而言之，210幅圖像被灰度化，二值化，并進(jìn)行完全手工標(biāo)注。這些標(biāo)注圖像使用U-Net訓(xùn)練200個(gè)epoch，以獲得初始分割模型(Model_1)。然后將數(shù)據(jù)集中剩余的790幅圖像擬合到Model_1中，生成相應(yīng)的偽標(biāo)簽。在手動(dòng)修改這些偽標(biāo)簽中預(yù)測(cè)錯(cuò)誤的部分后，就對(duì)1000張顯微圖像完成了標(biāo)注。所提出的半自動(dòng)標(biāo)注方法比手動(dòng)標(biāo)注方法效率大大提升。生成一個(gè)具有人工校正的標(biāo)注圖像大約需要10 分鐘，而完全人工標(biāo)注的每張圖像的成本約為1小時(shí)。

圖2 使用初始分割模型(Model_1)的半自動(dòng)標(biāo)注過(guò)程

該研究的實(shí)驗(yàn)是對(duì)1000張小麥葉表皮顯微圖像進(jìn)行基準(zhǔn)測(cè)試，氣孔和表皮細(xì)胞的平均計(jì)數(shù)精度分別為98.03%和95.03%，氣孔指數(shù)的最終測(cè)量精度為95.35%。整個(gè)流程的平均運(yùn)行時(shí)間可以短至每張顯微照片的0.32秒。利用遷移學(xué)習(xí)，該流程在植物其他科上也具有較好的可移植性，其它7科植物的氣孔和表皮細(xì)胞的平均計(jì)數(shù)準(zhǔn)確率分別為94.36和91.13%，氣孔指數(shù)準(zhǔn)確率分別為89.38%。

武漢理工大學(xué)計(jì)算機(jī)與人工智能學(xué)院朱傳承碩士為該論文第一作者，袁曉輝教授和劉唯真副教授為通訊作者。本研究由中國(guó)國(guó)家自然科學(xué)基金重要項(xiàng)目(基金No.32090061)，武漢理工大學(xué)三亞科學(xué)與教育創(chuàng)新園(基金No.2020KF0053)，武漢理工大學(xué)啟動(dòng)基金(基金No.104-40120526)資助。